一种基于浮标监测并联合机器学习进行科学预警方法技术

本发明专利技术公开了一种基于浮标监测并联合机器学习进行科学预警方法，包括步骤如下：步骤一：从数据库提取过去的数据，时间为1‑2年，从里面对半筛选出发生赤潮和没发生赤潮的每日数据。本发明专利技术方法对历史数据预处理，并基于IBM SPSS Modeler中神经网络模块找出关键因子；利用Apriori关联算法确定相关指标范围与阈值；利用三条条件发送水质变化警告；满足水质变化警告的前提下触发赤潮预警模块，筛选三种分类回归法进行分类并通过袋装的方式进一步提高预测准确率；全程实时且自动化预警，无需人工干预，且能在手机端通过datav随时随地的提供监测预警展示。

A scientific early warning method based on buoy monitoring and machine learning

【技术实现步骤摘要】
一种基于浮标监测并联合机器学习进行科学预警方法
本专利技术涉及预警方法，特别涉及一种基于浮标监测并联合机器学习进行科学预警方法。
技术介绍
赤潮是一种在特定的环境条件下，海水中某些浮游植物、原生动物或细菌爆发性增殖或高度聚集而使水体变色，影响和危害其他海洋生物正常生存的灾害性海洋生态现象。与本专利技术相关的现有技术有，数值预测法，遥感技术与GIS，细胞密度法。数值预测通过各种物理-化学-生物耦合生态动力学数值模型模拟赤潮发生、发展、高潮、维持和消亡的整个过程而对赤潮进行预测，但实际操作起来比较困难成本也较高。细胞密度法通过分析赤潮生物密度是否达到发生阈值来判断是否发生赤潮，可用于小范围预测，实际操作受天气及现场采样条件限制。遥感技术与GIS，因GIS能从大量复杂数据中提取简单信息、遥感可利用高空和远距离操作提供航拍照片、数码图像和卫星图像，可用于大范围预测，但往往属于赤潮发生后预测，预测机理复杂且预测难度大。叶绿素a作为与藻类最为相关的赤潮特征因子，其浓度在赤潮爆发前会出现明显的异常波动，在暴发过程中波动幅度达到高峰，而随着赤潮的消亡又会逐渐趋本文档来自技高网...

【技术保护点】
1.一种基于浮标监测并联合机器学习进行科学预警方法，其特征在于，包括步骤如下：/n步骤一：从数据库提取过去的数据，时间为1-2年，从里面对半筛选出发生赤潮和没发生赤潮的每日数据；以每日10点的各指标数据，当日是否发生赤潮（0或1），当日10点到前日22点12个小时内关键指标的最大值，最大差值（例如pH最大值，pH最大差值）作为神经网络输入数据，基于IBM SPSS Modeler中神经网络模块对数据进行处理，经多次调整与验证找出最优模型，根据变量重要性找出前12个影响赤潮爆发的关键因子（包含赤潮特征因子和环境因子），如图1 所示，影响赤潮的除了常用的赤潮特征因子（叶绿素a、pH、溶解氧）之外，...

【技术特征摘要】
1.一种基于浮标监测并联合机器学习进行科学预警方法，其特征在于，包括步骤如下：
步骤一：从数据库提取过去的数据，时间为1-2年，从里面对半筛选出发生赤潮和没发生赤潮的每日数据；以每日10点的各指标数据，当日是否发生赤潮（0或1），当日10点到前日22点12个小时内关键指标的最大值，最大差值（例如pH最大值，pH最大差值）作为神经网络输入数据，基于IBMSPSSModeler中神经网络模块对数据进行处理，经多次调整与验证找出最优模型，根据变量重要性找出前12个影响赤潮爆发的关键因子（包含赤潮特征因子和环境因子），如图1所示，影响赤潮的除了常用的赤潮特征因子（叶绿素a、pH、溶解氧）之外，还有12小时内的叶绿素a最大值，叶绿素a最大差值，溶解氧最大差值，pH最大差值，风速，总悬浮固体，空气湿度；
步骤二：基于赤潮特征因子（叶绿素a、pH、溶解氧）以及影响赤潮爆发的环境因子（盐度，温度）对每日10点的数据进行统计和深度离散化处理，形成适合关联规则的挖掘的赤潮事物数据库，其中A、B、C、D、E分别代表数据类名，利用Apriori关联算法挖掘强关联规则，并从中筛选出合适的规则：
规则1：Chl-a∈[16.57，151]→发生赤潮
规则2：Chl-a∈[16.57，151]，pH∈[8.77，10.3]→发生赤潮
规则3：Chl-a∈[0，3.435]，pH∈[7.99，8.35]→不发生赤潮
关联规则的结果表明，当Chl-a、Ph、DO处于较高浓度时（Chl-a>16.57、pH>8.77、DO>9.09）赤潮发生的可能性较高，以此来确定赤潮关键因子的阈值；
步骤三：浮标以半个小时一次的频率采集数据，按照时间序...

【专利技术属性】
技术研发人员：李璠，林忠洲，何从颖，蒙宽宏，
申请(专利权)人：宁波海洋研究院，
类型：发明
国别省市：浙江;33